美研芒格君 · X 阅读

@sama Already become the first batch of ultra-fast codex users, but curious why Windows still does not support it 😭😭 pls https://t.co/OfJ9SCLssV

成为了第一批 500 刀 Codex 的客户🫡 我今天上午把很多实际的工作切换到了Ultrafast，之前苦苦等待结果的日子一去不复返了！回过头来再一看，Claude 的速度让我无法忍受 最强的智能+最快的速度，Only in Codex 我真的建议大家都去试试，后面会分享更多我的工作一手感受

OpenAI DevDay 我现场看下来，有很多值得关注的点 > dots 个人助理：Astra 驱动、24/7 干活的 AI 助手，有自己的电脑和浏览器，能接 4,000 多个应用；Pro 内含，不占原有额度 > ChatGPT Space：人和 AI 在同一个空间里改笔记、做产品计划、分配待办，内容还能在后台持续更新 > GPT-6.1 Sol：官方称能力接近 Astra，价格只有它的 1/5，缓存读取优惠 95%。大量用 AI 干活的成本继续往下压。 > Ultrafast：官方称提速 8 倍，Astra 今天可用，6.1 Sol 稍后支持 "GPT‑6 Astra Ultrafast is available today in the API⁠ and in ChatGPT Work and Codex⁠ on Pro 500 and Enterprise plans" > Decisions API：让 Luna 在限定选项里快速做判断，也支持看图，官方称端到端可在几百毫秒内完成。 新版 Codex Cloud：把开发环境配在云端，让 Codex 在那里干活，任务不用都挤在自己的笔记本上 > Agents API：把驱动 dots 等云端 Agent 的技术开放给开发者，支持操作电脑，可以做自己的 AI 助手 > 订阅调整：$200 Pro 恢复新订阅；提高基础额度后，Plus／$100 Pro／$200 Pro 的额度倍数改为 1／5／10，老用户暂保留 20 倍并获额外额度

09/29 昨天还喊 AI 放缓，今天又暴力拉升。$ORCL +6%, $COHR +5%, $COHR +5% 1/ AI 放缓和停止是不可能的，如果你也被市场搞得有点晕头转向，我建议阅读这篇文章，看懂后，你就能解释这一切 https://t.co/k7b2enkA4H 这篇讲了 OpenAI 在 AI safety 下如何保持 alignment 和 post-training 的正确性, 并不意味着任何意义上的 AI 暂停。如果你看懂了，在关键时刻就能有自己的判断，不做人云亦云的绝大多数 2 目前我让我的AI 重点在看的两个机会和窗口： 1. 在 AI 上升期或者 AI 关键发布日前夕，渲染 AI 放缓，制造恐慌 2. 在公司关键催化剂日前，利用渲染空窗期恐慌情绪 3/ 此外也有相反，比如说在关键日前拉升过多，提前透支。 这个需要用相对估值法，找到一个基本底线。基于时间序列建模，这是我一直在做的 例如 $MRVL ，10/6 投资者日，尽管我比较积极，但由于最近透支了部分，我也会尝试做好保护。这部分我打算听我的 AI harness

上次发帖至今 $MRVL 又不知不觉上涨了 18%，上车机会已经反复出现很多次了，我也发了很多贴 你无法预测单日的涨跌，但你可以找到好方向，陪伴它定投一起成长。 如何找到方向？学习 AI，了解 AI，找到 AI 的瓶颈。这是我的工作，也是我的生活 互联是最确定的机会。快年底了，注意波动，留在牌桌上

深有感触, 估计很多朋友都有在公司被 同事用AI 生成的万字长文浪费过时间的时候 我建议学习一下Clay 公司的 AI 写作规范，只有四条： > 每句话你都得能负责 > 写作就是思考 > 写的时间要多于读的时间 > 更长不等于更好，长文不如直接发 prompt

@JunjiYang94552 目前买了多少件

$AMD 82亿美元收购了华人科学家 @drfeifei 的世界模型初创公司🤯 说白了，AI才刚刚开始，大把的机会，看懂保持耐心 AMD 表示，随着 AI 向机器人、仿真和物理 AI 领域扩展，World Labs 的研究将有助于塑造其硬件、软件和系统路线图

听起来挺吓人的。 Muse热度过了快一周了。好奇问问看，有朋友依然还在高频使用，并且觉得产生了持续实际价值的吗？

@YangHellcat $METD 一倍看空 META

09/28 今天半导体集体下跌，很多人懵了，AI 又不行了吗？ $MRVL -4%, $COHR -6%, $CRDO -8%，而安全股大涨。今天背后的逻辑其实很简单：周末媒体集中炒了又炒了一波 AI 放缓的冷饭 研发暂停（？） → 云厂少建数据中心 → MRVL、Coherent 被砍单。我的观点恰恰相反，当补全了安全策略之后，模型训练和推理会跑得更快 1/ 我觉得今天市场又在交易一个夸张的错误逻辑，可能会给我们带来机会。 逻辑错误主要是：OpenAI 暂停部分研发，怎么就一路推导成了光模块要被砍单？我认为不太合理，有逻辑 gap 我梳理周末前后 3 个时间点，3 条证据，2 个我在等的机会 2/ 先把时间捋一下： ① 9/25 周五：OpenAI 更新报告，披露 9/20 的新安全事故及暂停安排。[1] ② 9/26 周六：Fortune 跟进，“再次暂停”继续发酵。[2] ③ 9/28 周一：AI 硬件股承压，财经报道直接把 MRVL 下跌与这次暂停联系起来。[3] 新事故，又把“AI 放缓”的旧叙事炒热了。 3/ 我为什么觉得市场可能推过头了？看 3 条证据： 1. 暂停有范围。官方针对的是最强模型的训练、评估和带工具的推理，不能扩大成整个 AI 行业停工。[1] 此外，我发现市场认知对于训练和推理还是没有分开啊 2. 官方写了补网络隔离、做红队测试，以及重启新训练的安排。恢复日期没给，但这份报告没有宣布削减算力采购。[1] 3. 安全股同时走强就能印证这个观点，PANW 午盘一度涨约 4%。我的理解是，资金也在押注：AI 继续用，只是安全的钱得补上。[4] 4/ 为什么硬件股又挨打，我在等待什么？ 硬件股在买未来的扩建速度，price in了未来，这个毫无疑问 我不相信整个 AI 产业会因此停下来。我的押注是：整改后继续跑, 而且会跑得更快。这个判断可能错，所以我在等两个机会： ① Agent 安全。谁能替 AI 管权限、限制越界，谁就可能拿到新增预算，这就是我之前喜欢 $OKTA 的原因。但股价已经涨了，下一步要看新增合同，不能只追故事。 ② 我更关心的 $MRVL。10/6 投资者日快到了，我想看客户项目和光互联收入的时间表能否更清楚。[5] 如果继续回调，但订单和指引没变，只会把它当作一个好机会 个人经验分享，投资需谨慎。 出处： [1] OpenAI 事故报告 https://t.co/gNemmES9Jg [2] Fortune 周末报道 https://t.co/IhHwYOrwdK [3] Dow Jones 当日市场报道 https://t.co/lsSFaTiYiw [4] PANW 盘中行情（9/28 12:10 ET）https://t.co/Z1RaUsPMqD [5] MRVL 投资者日公告 https://t.co/2J0FwxYGrx

$MDB MongoDB 今早闪崩-23%。CEO 被扎克伯格挖走做 $META 新成立部门的 Head Meta 是这样的，喜欢各种天价挖人。有的时候不是产品坏了，只怪对方给的太多 在如今这个时代，很多人面临失业，却有一小撮人成为天价打工人，旱的旱死，涝的涝死

Post-training 一个很实际的目标，就是让小模型在某个特定场景，把业务做好、做便宜。 这是我相当看好的方向。 那硅谷工业界已经在做什么？了解这些，对我们选方向、做项目都有指导意义。这次挑了 6 家我觉得很值得关注的公司 它们代表了后训练及相关工具的几条前沿方向，业务有重叠，但各有侧重。 1. Thinking Machines Lab / Tinker：把训练基础设施交给平台 你自己写训练逻辑，Tinker 通过 API 帮你完成计算、更新模型和保存进度，省掉管理 GPU 集群的工作。比如 Glean 用它训练了专门负责找资料的 Waldo，再把资料交给大模型组织答案。 官网：https://t.co/eYez2wKnnb Glean 案例：https://t.co/mtzNRX1x4n 2. Fireworks AI：把训练到上线的工程流程接起来 它把模型训练和上线运行放在同一个平台，还提供接入 coding agent 的工具，帮你研究训练方法、估成本、启动实验和排查失败。适合希望把训练、调试和部署连起来的团队。 官网：https://t.co/JN2HVA2jwB 训练 Agent Skills：https://t.co/zSdTmGwt29 3. Prime Intellect：让模型在任务里反复尝试、打分、学习 你提供任务、可调用的工具和评分规则，它把模型尝试、评测和强化学习训练的过程跑起来。比如 Ramp 用它训练 FastAsk，专门学习在财务表格里找对单元格、调用 Python 算数，供主 agent 使用。 官网：https://t.co/zR6ypAWyXb Ramp 案例：https://t.co/mbG4WNK70u 4. Osmosis：工程师和客户一起把模型练出来 如果你连训练目标、reward 怎么设计都拿不准，它会派工程师和你一起把业务问题变成训练任务，再完成训练和上线。它提供的是 平台加专业人员交付，客户买到的也包括训练经验。 官网：https://t.co/LPsBaFpytz 5. Bespoke Labs：给 AI 搭接近真实工作的训练环境 它给模型实验室和企业搭建包含真实代码库、微服务、多步骤工作流的训练环境，让 agent 有地方练习实际工作。它更关注 模型拿什么练、怎么验收，这些环境和配套基础设施就是它提供的产品。 官网：https://t.co/kV3DIljqii 6. Weco：让 AI 自动改方案、跑实验、比较结果 你给它代码和衡量效果的评测脚本，它用大模型加树搜索，反复修改、测试，继续尝试更有希望的方案。它自动化的是 做实验这件事，改进对象可以是 prompt、算法或训练代码，未必需要训练模型权重。 官网：https://t.co/11s9v7JEZU 工作方式：https://t.co/io1nWTSQog 我觉得对个人和小团队的启示很直接：先找到自己懂的具体场景，把“怎样才算做好”定义清楚，再借这些工具验证，能不能做得更好、更便宜

今天下午 5 个小时，我用完了 Codex 200$ 一周的 Token 我劝大家一定要去疯狂地消耗 Token。 这说明你在思考，说明你有问题去解决，这已经领先了大部分人 一个平庸的人，就算拥有了无限的 Token也烧不出去

最近我的投研系统 Harness在满负荷运作，每天帮我完成大概 85% 的 研究工作，挖掘信号因子。而我可以专注于技术和思考 比如上周四我听他的买了 $METD 。这个帖子我把投研 harness+Model的架构图完整的分享出来，给大家提供一些思路 如果有不懂的，可以评论区问我。我可以单独出一期，讲讲每个模块我都有什么样的思考 我认为AGI 其实已经来了，只是全民意识到需要些时间，顺路分享一些我最近的观察 1. Opus5.5 我实际使用下来，和 GPT-6 Ultra 水平基本一样，而且额度多到用不完 2. 周末跟朋友聊下来，我们认为 pre-training recipe 在业内不是什么秘密，各大厂商都会追上来，看好开源模型 3. 想象一下，如果在 2027 年的时候，我们拥有了更多的算力，Frontier Labs 可能会做出更多的突破，让更多人用上 4. 情绪和基本面，其实大部分时候都是在背离，只是有的时候背离得特别离谱，我们只需要抓住这些时刻

AI的浪潮永远向前，永远都有新产品新模型。Opus 5.5 正式发布，看起来在各个任务上都超越了 Fable 5.1。值得一试 我个人体验下来，有3个 takeaway， 1. 昨天用 Fable 5.1 执行了一个 6 个小时 Ultra Code 的任务，结构写的无比复杂，不太可用。Opus5 呢，又太简单，同样不太可用。Claude 现在处于一个非常尴尬的境地，希望 Opus 5.5 能解决这个问题 2. OA两家都是知道对方的模型发布的 schedule，应该今天 Codex 又要重置了 3. 说好的，大家一起停止模型的训练和 AI 的进程呢？

@Jacobxho 从现在开始努力考上斯坦福 或者等录屏放出来，所以这门课程会把 recording 和 material 都逐渐发布出来的

09/21 AI 相关板块涨势惊人，很多朋友应该今天笑着醒来 $AMD 今日上涨 +9.6% 到约 $613.5，创历史新高，并首次突破 $1 万亿美元市值。 $MRVL 过去一周累计+15% 背后的逻辑其实非常简单 市场投资者从上周的 AI 安全警告和放缓，重新转向关注 AI 投入仍在扩张的证据 $Meta 的 Muse AI Agent 热度 在周末持续发酵，近三天位居美国 iPhone 免费应用下载榜首 我接下来的投资逻辑：当越来越多人让 Agent 真正替自己办事，背后执行任务所需的计算资源也会增加 很多人连一个 200 刀的 Codex Pro 都消耗不完，就不要说自己真的搞懂了 AI Agent 任务处理带来的 AI 投资增量

我非常推荐大家收藏斯坦福今年秋季这门课：MS&E 319：Efficient Generative Language Models（高效生成式语言模型） 这门课会从预训练一路讲到推理和后训练。（我最喜欢的部分）课程资料和录屏后面会同步上传 我很喜欢它的出发点：模型越做越大，但预算总有上限。给定一个具体想实现的效果，手里的算力又有限，训练目标怎么定、模型架构怎么选、推理怎么跑，才能把钱花得更值，避免所有任务都用最贵的模型 GPT6 “再买点 GPU”当然是一种办法，也是现在市场的主流 有关于 MoE、attention与 KV Cache 压缩、量化、投机解码，以及 LoRA、RLHF、DPO、蒸馏，都会涉及。这门课把平时分散看到的这些技术，放回同一个问题里理解：它到底省了哪部分计算、显存或时间，又付出了什么代价？ 比如，同样是想降低模型的使用成本，有的办法让每次只调用一部分参数，有的减少需要存储和搬运的数据，有的加快生成答案。先把各自解决的问题分清楚，才知道手里的任务适合用哪一种，哪些方法还能配合起来用。 我自己看 AI 公司，也很关心这一层：同样一笔预算，能不能训练出更好的模型，或者服务更多用户。把这些技术背后的取舍弄懂，再看模型发布和成本变化，判断会具体很多。 这门课有一定门槛，感兴趣的一定要关注

Gemini终于黑进了三家公司 此时的Google 管理层be like⬇️ https://t.co/MYWDslCcU5